Registro público
Informe de salud del softwareesquema 0.31.0 · métricas 2.5.0 · 2026-08-05 01:47 UTC

Lightning-AI / pytorch-lightning

Pretrain, finetune ANY AI model of ANY size on 1 or 10,000+ GPUs with zero code changes.

PythonApache-2.0★ 31.269 estrellas⑂ 3771 forksdesde mar 2019Ver en GitHub ↗
#python#deep-learning#artificial-intelligence#ai#pytorch#data-science#machine-learning

Lightning-AI/pytorch-lightning tiene un índice de salud de 96 sobre 100, lo que lo sitúa en la banda Excepcional. Su puntuación más alta es Vitality (95/100) y la más baja, AI Readiness (64/100). Se actualizó por última vez hoy. 3 personas concentran la mayor parte del trabajo reciente.

96
global / 100
Excepcional

Índice de salud del software

Las métricas se agrupan en categorías ponderadas sobre una escala estandarizada de 1 a 100. El resultado global parte de su media ponderada, calibrada contra la distribución del registro público para que las bandas tengan significado percentil; cuando la evidencia pública activa la Política de Jurisdicciones de Alto Riesgo, la calificación se ajusta y recibe un límite «En riesgo» de 34.

96
Excepcional93-100El nivel más alto del registro (≈ el 5% superior); cumple prácticamente todos los criterios evaluados
Excelente80-92Sólido en todos los frentes; carencias menores
Bueno65-79Saludable; carencias limitadas y manejables
Moderado50-64Aceptable con carencias notables; se recomienda revisión
Débil35-49Debilidades sustanciales en varias áreas
En riesgo20-34Debilidades significativas; su adopción exige cautela
Crítico1-19Problemas graves (proyecto abandonado, un solo mantenedor, sin higiene)
VitalidadComunidad yAdopciónSostenibilidady GobernanzaCalidad deIngenieríaSeguridadPreparaciónpara IA

Perfil de puntuación

Cada eje es una categoría. La forma importa más que la media: un proyecto sano llena toda la figura, mientras que un perfil de picos y cráteres indica que la fortaleza en una dimensión enmascara el riesgo en otra.

El resultado global ponderado 84 se calibra a 96 en la escala publicada del índice (calibración del registro 2026-08-02).

Titularidad

⚡️ Lightning AI Organización
6847 seguidores29 repositorios públicosdesde dic 2019

Este repositorio está respaldado por una organización: una custodia compartida y responsable que puede sobrevivir a cualquier mantenedor individual.

Ecosistemas de paquetes

RegistroPaqueteVersiónDescargas / mesVersionesÚltima publicación
PyPIassistantapunta a otro repositorio; no se puntúa2.0.2b2-43hace 99 días

Métricas por categoría

Vitalidad

¿Está vivo el proyecto: se escribe código y se publican versiones?

95Excepcional · 21% del índice global

Actividad de desarrollo

92Excelente
Cómo se puntúa
36/36Recencia de push — último push hace 0 días
28.4/36Cadencia de commits — 41/52 semanas con commits
18/18Volumen de commits — 413 commits en el último año
0/10OpenSSF Scorecard: Maintained — sin datos
Datos de entrada utilizados
commits_last_year413
human_commit_share0,68
days_since_last_push0
active_weeks_last_year41

Disciplina de publicación

100Excepcional
Cómo se puntúa
27/27Publica versiones — 100 versiones publicadas
36/36Recencia de las versiones — última versión hace 69 días
27/27Cadencia de publicación — una versión cada ~44,1 días
0/10OpenSSF Scorecard: Signed-Releases — sin datos
Datos de entrada utilizados
releases_count100
latest_release_tag2.6.5
releases_from_tagsno
days_since_latest_release69
mean_days_between_releases44,1

Comunidad y Adopción

¿Tiene el proyecto usuarios, descargas, atención y unas condiciones acogedoras para quienes contribuyen?

95Excepcional · 17% del índice global

Popularidad y adopción

98Excepcional
Cómo se puntúa
60/60Estrellas — 31.269 estrellas
25/25Forks — 3771 forks
13.4/15Observadores — 256 observadores
Datos de entrada utilizados
forks3771
stars31.269
watchers256
growth_stateunverified
growth_factor_pct100
growth_unverified_reasonno_history

Salud de la comunidad

92Excelente
Cómo se puntúa
22.5/22.5README
22.5/22.5Licencia — licencia reconocida (Apache-2.0)
18/18Guía CONTRIBUTING
13.5/13.5Código de conducta
0/7.2Plantilla de issues
6.3/6.3Plantilla de PR
Datos de entrada utilizados
has_readmesí
has_licensesí
readme_badges10
has_contributingsí
has_issue_templateno
has_code_of_conductsí
readme_badge_servicesbadge.fury.io, codecov.io, dev.azure.com, github.com, shields.io
has_pull_request_templatesí

Sostenibilidad y Gobernanza

¿Sobrevivirá el proyecto a sus personas: factor bus, capacidad de respuesta, quién lo respalda y mantenimiento del paquete?

76Bueno · 23% del índice global

Resiliencia de mantenedores (factor bus)

74Bueno
Cómo se puntúa
36/54Factor bus — la mitad de los commits recae en 3 contribuyente(s)
16.7/22.5Distribución de commits — el principal contribuyente firma el 26% de los commits
13.5/13.5Amplitud de contribuyentes — 97 contribuyentes
0/10OpenSSF Scorecard: Contributors — sin datos
Datos de entrada utilizados
bus_factor3
contributors_sampled97
top_contributor_share0,259

Capacidad de respuesta a issues y PR

76Bueno
Cómo se puntúa
37.3/42Resolución de issues — 89% de issues cerradas
25.7/30Aceptación de PR — 9444/11.036 PR decididos fusionados
1.6/13Newcomer PR acceptance — 1/8 PR de contribuyentes primerizos fusionados en 30 d
0/15OpenSSF Scorecard: Code-Review — sin datos
Datos de entrada utilizados
merged_prs9444
open_issues844
closed_issues6712
prs_merged_7d2
prs_decided_7d9
prs_merged_30d18
prs_decided_30d26
issue_closed_ratio0,888
closed_unmerged_prs1592
first_time_authors_30d8
first_time_prs_merged_30d1
first_time_prs_decided_30d8

Propiedad y custodia

78Bueno
Cómo se puntúa
30/30Respaldo de la propiedad — propiedad de una organización
0/20Dominio verificado
25/25Alcance del propietario — 6847 seguidores de Lightning-AI
22.8/25Trayectoria — 29 repos públicos, cuenta de ~6 años
Datos de entrada utilizados
followers6847
owner_typeOrganization
is_verified—
owner_loginLightning-AI
public_repos29
account_age_days2438

Calidad de Ingeniería

¿Existen unas prácticas mínimas de ingeniería y documentación?

91Excelente · 19% del índice global

Prácticas de ingeniería

92Excelente
Cómo se puntúa
24/24Flujos de trabajo de CI — 18 flujo(s) de trabajo
24/24Pruebas presentes
16/16Configuración de linter
9.6/9.6Hooks de pre-commit
0/6.4.editorconfig
0/20OpenSSF Scorecard: CI-Tests — sin datos
Datos de entrada utilizados
has_cisí
has_testssí
has_editorconfigno
has_linter_configsí
has_precommit_configsí

Documentación

90Excelente
Cómo se puntúa
30/30README
25/25Directorio de documentación
15/15Sitio de documentación / página del proyecto — https://lightning.ai/pytorch-lightning/?utm_source=ptl_readme&utm_medium=referral&utm_campaign=ptl_readme
10/10Descripción del repositorio
10/10Topics — 7 topics
0/10Wiki
Datos de entrada utilizados
topicspython, deep-learning, artificial-intelligence, ai, pytorch, data-science, machine-learning
has_wikino
homepagehttps://lightning.ai/pytorch-lightning/?utm_source=ptl_readme&utm_medium=referral&utm_campaign=ptl_readme
has_readmesí
has_docs_dirsí
has_descriptionsí

Seguridad

¿Son sólidas las prácticas visibles de seguridad y de cadena de suministro, sin exposición jurisdiccional de alto riesgo sin resolver?

64Moderado · 16% del índice global

Postura de seguridad

55Moderado
Cómo se puntúa
30/30Política de seguridad (SECURITY.md)
25/25Configuración de Dependabot
0/25Lockfiles de dependencias
0/20Flujo de trabajo de CodeQL
Datos de entrada utilizados
sourcefile_signals
lockfiles—
manifests.actions/requirements.txt, pyproject.toml, requirements.txt, setup.py
has_codeql_workflowno
has_security_policysí
has_dependabot_configsí

Avisos de dependencias

100Excepcional
Cómo se puntúa
35/35Dependencias directas libres de avisos conocidos — ninguna dependencia directa tiene un aviso conocido
25/25Dependencias indirectas libres de avisos conocidos — ninguna dependencia indirecta tiene un aviso conocido
0/40Sin avisos pendientes — ningún aviso tiene fecha de publicación
Datos de entrada utilizados
sourceosv
advisories0
affected_packages0
assessed_packages28
unassessed_packages0
affected_by_severitynone
direct_affected_packages0
Excluidos de la puntuación (sin datos o no aplicable): Sin avisos pendientes. Los pesos restantes se han renormalizado. Se cotejó el cierre de dependencias en tiempo de ejecución de pypi:assistant@2.0.2b2 —lo que arrastra la instalación del paquete publicado—: 28 paquetes. No se analiza la alcanzabilidad.

Preparación para IA

¿Hasta qué punto está el repositorio preparado para desarrollarse y mantenerse con agentes de codificación de IA? Tiene un peso deliberadamente pequeño (4%): las herramientas para agentes son una señal real de mantenimiento, pero un repositorio sin ninguna puede alcanzar igualmente 100/100.

64Moderado · 4% del índice global

Contexto y guía para agentes

40Débil
Cómo se puntúa
0/45Instrucciones para agentes — sin CLAUDE.md / AGENTS.md / reglas de editor
0/15Documentación legible por máquinas (llms.txt)
40/40Historial de commits legible — 65 de 68 commits humanos declaran su intención (asunto estructurado o cuerpo explicativo)
Datos de entrada utilizados
has_llms_txtno
legible_history_share0,956
agent_instruction_files—
agent_instruction_max_bytes—

Bucle de verificación (compilación / pruebas / verificación de tipos)

84Excelente
Cómo se puntúa
18/18Arranque con un solo comando — Makefile, docs/source-fabric/Makefile, docs/source-pytorch/Makefile
22/22Pruebas automatizadas
11/11Configuración de lint / formato
11/11Verificación estática de tipos — src/lightning/py.typed, src/lightning_fabric/py.typed, src/pytorch_lightning/py.typed
0/10Entorno reproducible
6/10Práctica demostrada con agentes — 3 de los últimos 100 commits con autoría o crédito de agente
8/8Mantenimiento automatizado — 31 de los últimos 100 commits son actualizaciones automáticas de dependencias
0/10OpenSSF Scorecard: Pinned-Dependencies — sin datos
Datos de entrada utilizados
has_nixno
has_testssí
lockfiles—
has_dockerfileno
typed_languageno
bootstrap_filesMakefile, docs/source-fabric/Makefile, docs/source-pytorch/Makefile
has_devcontainerno
has_linter_configsí
typecheck_configssrc/lightning/py.typed, src/lightning_fabric/py.typed, src/pytorch_lightning/py.typed
agent_commit_share0,03
toolchain_manifests—
dependency_bot_commit_share0,31

Legibilidad del código para modelos

82Excelente
Cómo se puntúa
27/45Código verificable por tipos — Python con configuración de verificación de tipos (src/lightning/py.typed, src/lightning_fabric/py.typed, src/pytorch_lightning/py.typed)
54.6/55Tamaños de archivo manejables — 5/648 archivos fuente de más de 60 KB
Datos de entrada utilizados
primary_languagePython
largest_source_bytes82.856
source_files_sampled648
oversized_source_files5

Interfaces legibles por máquina

40Débil
Cómo se puntúa
0/40Esquema de API (OpenAPI/GraphQL/proto)
0/20Servidor MCP
40/40Ejemplos ejecutables — demos, examples, notebooks
Datos de entrada utilizados
example_dirsdemos, examples, notebooks
has_mcp_signalno
api_schema_files—

Datos clave

31.269estrellas de GitHub
97contribuidores
413commits en los últimos 12 meses
0días desde el último push
100versiones publicadas
3factor bus
844issues abiertas
PyPIecosistemas de paquetes

Advertencias de recopilación de datos

  • Star history unavailable: GitHub GraphQL error: Resource not accessible by personal access token
  • pypi package 'assistant' points at a different repository (https://gitlab.com/waser-technologies/technologies/assistant); excluded from ecosystem scoring
  • OpenSSF Scorecard did not return a usable result (2026/08/05 01:46:35 Warning: PATs stored in env variables GITHUB_AUTH_TOKEN and GITHUB_TOKEN differ. Scorecard will use the former.); skipping Scorecard checks

Más detalle

Historial de estrellas y forks 0 ★ / 3771 ⇿
0Estrellas
3771Forks
37Versiones

Cuándo se añadió cada estrella y fork, recopilado de GitHub y agrupado por día. El crecimiento acumulado se sitúa justo encima de las adiciones diarias que lo componen, de modo que ambos se leen en conjunto: la acumulación orgánica sostenida no se parece en nada a un pico abrupto y efímero. Cuando esa diferencia es medible, se informa como autenticidad del crecimiento.

Solo se muestra el historial más reciente: este repositorio supera la ventana de recopilación, por lo que no se captura el historial más antiguo.

26002800300032003400360038003771412023-082025-022026-08
Mayor 0Menor 6Parche 24

Cada punto abarca 3 días.

Todas las dependencias 103

Conjunto completo de dependencias resueltas según el grafo de dependencias de GitHub: 0 paquetes directos y 103 indirectos (transitivos). El cierre transitivo es completo cuando el repositorio incluye un lockfile.

RegistroPaqueteVersiónRelación
PyPIawscli—indirecta
PyPIbitsandbytes—indirecta
PyPIclick8.1.8indirecta
PyPIclick8.3.1indirecta
PyPIcloudpickle—indirecta
PyPIcoverage7.10.7indirecta
PyPIcoverage7.13.5indirecta
PyPIdeepspeed—indirecta
PyPIdocutils—indirecta
PyPIfastapi—indirecta
PyPIfire—indirecta
PyPIfsspec—indirecta
PyPIgymnasium—indirecta
PyPIhuggingface-hub—indirecta
PyPIhydra-core—indirecta
PyPIimportlib-metadata—indirecta
PyPIipython—indirecta
PyPIjinja2—indirecta
PyPIjsonargparse—indirecta
PyPIjupytext—indirecta
PyPIlai-sphinx-theme—indirecta
PyPIlightning—indirecta
PyPIlightning-utilities—indirecta
PyPIlitdata—indirecta
PyPImatplotlib—indirecta
PyPImoviepy—indirecta
PyPImypy1.20.0indirecta
PyPImyst-parser—indirecta
PyPInbconvert—indirecta
PyPInbformat—indirecta
PyPInbsphinx—indirecta
PyPInumpy—indirecta
PyPIomegaconf—indirecta
PyPIonnx—indirecta
PyPIonnx-ir—indirecta
PyPIonnxruntime—indirecta
PyPIonnxscript—indirecta
PyPIpackaging—indirecta
PyPIpandas—indirecta
PyPIpandoc—indirecta
PyPIpapermill—indirecta
PyPIpip—indirecta
PyPIpkginfo1.12.1.2indirecta
PyPIpsutil—indirecta
PyPIpytest9.0.2indirecta
PyPIpytest-cov7.0.0indirecta
PyPIpytest-doctestplus1.7.1indirecta
PyPIpytest-random-order1.2.0indirecta
PyPIpytest-rerunfailures16.0.1indirecta
PyPIpytest-rerunfailures16.1indirecta
PyPIpytest-timeout2.4.0indirecta
PyPIpyyaml—indirecta
PyPIrequests—indirecta
PyPIrich—indirecta
PyPIscikit-learn—indirecta
PyPIsetuptools—indirecta
PyPIsphinx—indirecta
PyPIsphinx-autobuild—indirecta
PyPIsphinx-autodoc-typehints—indirecta
PyPIsphinx-copybutton—indirecta
PyPIsphinx-multiproject—indirecta
PyPIsphinx-paramlinks—indirecta
PyPIsphinx-rtd-dark-mode—indirecta
PyPIsphinx-togglebutton—indirecta
PyPIsphinx-toolbox4.1.2indirecta
PyPIsphinxcontrib-fulltoc—indirecta
PyPIsphinxcontrib-mockautodoc—indirecta
PyPIsphinxcontrib-video0.4.2indirecta
PyPItensorboard—indirecta
PyPItensorboardx—indirecta
PyPItomlkit—indirecta
PyPItorch—indirecta
PyPItorch2.9.1indirecta
PyPItorch-tensorrt—indirecta
PyPItorchao—indirecta
PyPItorchmetrics—indirecta
PyPItorchvision—indirecta
PyPItqdm—indirecta
PyPItwine6.2.0indirecta
PyPItypes-bleach—indirecta
PyPItypes-cachetools—indirecta
PyPItypes-croniter—indirecta
PyPItypes-decorator—indirecta
PyPItypes-markdown—indirecta
PyPItypes-paramiko—indirecta
PyPItypes-protobuf—indirecta
PyPItypes-python-dateutil—indirecta
PyPItypes-pyyaml—indirecta
PyPItypes-redis—indirecta
PyPItypes-requests—indirecta
PyPItypes-setuptools—indirecta
PyPItypes-six—indirecta
PyPItypes-tabulate—indirecta
PyPItypes-toml—indirecta
PyPItypes-tzlocal—indirecta
PyPItypes-ujson—indirecta
PyPItyping-extensions—indirecta
PyPIurllib3—indirecta
PyPIuvicorn—indirecta
PyPIvirtualenv—indirecta
PyPIwcmatch—indirecta
PyPIwget—indirecta
PyPIwheel—indirecta
Avisos de dependencias 0

Instalar pypi:assistant@2.0.2b2 arrastra 28 paquetes, directos y transitivos: 0 tienen avisos conocidos, de los cuales 0 son dependencias directas.

Ningún aviso conocido afecta a las dependencias evaluadas.

Un aviso significa que la versión registrada en el grafo de dependencias cae dentro del rango afectado de un aviso. No se analiza la alcanzabilidad, y el grafo incluye fijaciones de desarrollo y prueba: un hallazgo puede referirse al utillaje y no al software distribuido.

Informe JSON sin procesar legible por máquina

Registros relacionados

Repositorios inspeccionados que comparten etiquetas de catálogo o ecosistemas con Lightning-AI/pytorch-lightning. Leer en paralelo →

100onnx/onnxOpen standard for machine learning interoperabilityExcepcional100wandb/wandbThe AI developer platform. Use Weights & Biases to train and fine-tune models, and manage models from experimentation to production.Excepcional100ray-project/rayRay is an AI compute engine. Ray consists of a core distributed runtime and a set of AI Libraries for accelerating ML workloads.Excepcional98huggingface/datasets🤗 The largest hub of ready-to-use datasets for AI models with fast, easy-to-use and efficient data manipulation toolsExcepcional97keras-team/kerasDeep Learning for humansExcepcional97ultralytics/ultralyticsUltralytics YOLO26, YOLO11, YOLOv8 — object detection, instance segmentation, semantic segmentation, image classification, pose estimation, object trackingExcepcional

Las puntuaciones son señales, no garantías. Reflejan prácticas públicamente visibles en GitHub; no son una auditoría de código ni una garantía de seguridad.

Los datos ausentes se excluyen y los pesos se renormalizan; nunca se puntúan como cero. La metodología es versionada y abierta: métricas v2.5.0, esquema v0.31.0 — metodología completa · wiki de métricas.

Cómo se sitúa un resultado dentro del registro general: estadísticas agregadas — PyPI.